Distributionally Robust Acceleration Control Barrier Filter for Efficient UAV Obstacle Avoidance
University of Klagenfurt（克拉根福大学）
本文提出分布鲁棒加速控制屏障函数（DR-ACBF）用于高效无人机避障，通过考虑动态和延迟的清晰度处理延迟、执行器限制和障碍物加速度，利用Cantelli紧缩和DR-CVaR提前触发提高安全性，实现实时执行。
2026-03-26 cs.SY eess.SY
Constraint-Tightening and Stability in Stochastic Model Predictive Control
University of Stuttgart（斯图加特大学）；CNR-IEIIT, Politecnico di Torino（意大利国家研究委员会-信息与电气工程学院，都灵理工大学）
本文探讨了在随机模型预测控制中通过约束收紧非保守地保证递归可行性与稳定性，提出统一的算法并讨论了性能与收敛时间的平衡。
2016-05-12 cs.SY eess.SY math.OC
Distributionally Robust Stochastic Data-Driven Predictive Control with Optimized Feedback Gain
针对部分观测未知随机LTI系统，提出可优化仿射反馈增益、用CVaR处理安全约束的分布鲁棒数据驱动预测控制，并证明其与模型基随机预测控制等价。
2024-09-11 cs.SY eess.SY
A novel constraint tightening approach for robust data-driven predictive control
在本文中，我们提出了一个数据驱动的模型预测控制（MPC）计划，能够稳定未知的线性时不变系统的影响下的过程干扰。为此，Willems引理被用来预测系统的未来行为。这允许整个方案仅使用先验测量数据和系统阶次上界的知识来设置。首先，我们开发了一个状态反馈MPC计划，输入状态数据的基础上，保证闭环实际指数稳定性和递归的可行性，以及闭环约束满足。该计划是通过一个适当的约束收紧，这也可以只使用数据来构建扩展。为了控制先验不稳定系统，所提出的方案包含一个预稳定控制器和相关的输入约束收紧。我们首先提出了建议的数据驱动的MPC计划的情况下，全状态测量，并提供扩展，以获得类似的闭环保证的情况下，输出反馈。所提出的格式被应用到一个数值例子。
2022-03-14 cs.SY eess.SY math.OC
Distributionally Robust Data-Driven Predictive Control for Stochastic LTI Systems
Aalborg University（奥尔堡大学）
本文提出面向随机线性时不变系统的分布鲁棒数据驱动预测控制框架，通过最小二乘法构建预测残差经验分布作为扰动分布代理，利用Wasserstein模糊集最小化最坏情况下的期望成本并满足概率输出约束，有效验证了该方法在不同扰动条件下的性能。
2026-05-08 cs.SY eess.SY
Distributionally Robust Model Predictive Control with Total Variation Distance
California Institute of Technology（加州理工学院）
研究了基于全变差距离模糊集的分布鲁棒模型预测控制问题。对于具有附加干扰的离散线性系统，我们提供了一个条件风险值的MPC优化问题，该问题在期望成本和机会约束下具有分布鲁棒性。分布鲁棒的机会约束被过度近似为一个更简单的，收紧的机会约束，减少了计算负担。数值实验支持我们的结果的概率保证和计算效率。
2022-06-24 cs.RO cs.SY eess.SY
Online Constraint Tightening in Stochastic Model Predictive Control: A Regression Approach
Technical University of Munich（慕尼黑工业大学）
本文针对随机模型预测控制中机会约束收紧参数依赖已知噪声分布且难以紧致满足的问题，提出基于 GP 二分类回归的在线数据驱动学习方法，可高概率近似最小收紧量并降低平均控制成本。
2023-10-04 cs.LG cs.SY eess.SY
Probabilistic Constraint Tightening Techniques for Trajectory Planning with Predictive Control
Clemson University（克莱姆森大学）；Huawei（华为）
为了使自动移动车辆在现实世界中以最小的碰撞风险导航，其规划算法必须考虑来自测量和环境干扰的不确定性。在本文中，我们认为，在这种不确定性的存在下，两个机器人车辆之间的相互碰撞概率的保守近似的解析解。在那里，我们提出了两种方法，我们称之为单一的缩放和主轴旋转，解耦的二元积分的有效近似的两辆车之间的碰撞概率，包括方向的影响。我们比较这些方法的保守性分析和数值。通过关闭一个控制回路，通过模型预测制导方案，我们观察到，通过蒙特卡罗模拟，直接实施防撞约束的保守近似仍然是不可行的实时规划。然后，我们提出并实现了一个凸化方法的基础上收紧碰撞约束，显着提高了计算效率和鲁棒性的预测制导方案。
2022-12-15 cs.RO cs.SY eess.SY
A distributionally robust optimization approach to two-sided chance constrained stochastic model predictive control with unknown noise distribution
针对双边机会约束离散线性系统受加性噪声干扰的问题，提出了一种分布鲁棒随机模型预测控制（DR-SMPC）算法.处理双边机会约束的普遍机制是所谓的风险分配方法，该方法通过应用布尔不等式将双边机会约束保守地近似为两个单机会约束。在这个建议的DR-SMPC框架中，一个精确的易处理的二阶锥（SOC）的方法是通过考虑噪声的一阶和二阶矩抽象的双边机会约束。所提出的DR-SMPC算法能够保证违反安全约束的上限和下限的最坏情况下的概率是在预先指定的最大概率（PsMP）。通过灵活地调整该PsMP，可以增加SMPC问题的初始状态的可行域。通过引入标称状态的二进制初始化策略，严格证明了DR-SMPC的递归可行性和收敛性。两个实际案例的仿真研究进行了证明所提出的DR-SMPC算法的有效性。
2022-03-16 cs.SY eess.SY
Interactive Trajectory Planning with Learning-based Distributionally Robust Model Predictive Control and Markov Systems
Chalmers University of Technology（查尔姆斯理工大学）；Volvo Group Trucks Technology（沃尔沃集团卡车技术）
本文研究了在周围智能体决策不确定性下的交互轨迹规划问题，提出结合PAC学习与分布鲁棒优化的DR-MPC框架，通过样本数量实现鲁棒MPC与随机MPC之间的插值。
2026-05-08 cs.LG cs.SY eess.SY
A Distributionally Robust Model Predictive Control for Static and Dynamic Uncertainties in Smart Grids
本文提出 WDR-MPC 方法，通过在模型预测控制框架内结合两阶段基于 Wasserstein 的分布鲁棒优化，将动态不确定性转化为模糊管并建立分布鲁棒边界，有效解决了智能电网中静态与动态不确定性问题，提升了电网稳定性。
2024-03-25 cs.SY eess.SY
Stochastic MPC with Realization-Adaptive Constraint Tightening
针对存在附加干扰的线性定常系统，提出了一种随机模型预测控制器（SMPC）。扰动的分布是未知的，并假定有界支持。一个基于样本的策略是用来计算鲁棒的状态机会约束所需的扰动序列集。这些集合是使用从其支持中提取的扰动样本离线构建的。对于在线MPC实现，我们提出了一种新的机会约束的重构策略，其中约束收紧是通过调整离线计算集的基础上，以前实现的干扰沿轨迹计算。建议的MPC是递归可行的，可以降低保守性比现有的SMPC方法在较高的离线计算时间的成本。数值仿真验证了该方法的有效性。
2022-09-29 cs.SY eess.SY
Distributionally Robust Model Predictive Control for Virtual Power Plants
University of Oslo（奥斯陆大学）
本文提出一种分布鲁棒模型预测控制框架，用于应对电力价格不确定性下的虚拟电厂优化。通过统一模型捕捉建筑、电池储能和可再生能源之间的交互，并结合数据驱动预测与分位数不确定性量化，构建时间变化的Wasserstein模糊集，提升实时决策效果。
2026-05-14 cs.SY eess.SY math.OC
Learning-Based Distributionally Robust Model Predictive Control of Markovian Switching Systems with Guaranteed Stability and Recursive Feasibility
针对切换概率未知的机会约束马尔可夫切换系统，提出了一种数据驱动的模型预测控制方法。利用马尔可夫链的样本，估计转移概率的模糊集，其中包括具有高概率的真实条件概率分布。这些集在线更新，并用于制定一个随时间变化的，规避风险的最优控制问题。我们证明了所得到的MPC计划的递归可行性，并表明，原来的机会约束仍然满足在每个时间步。此外，我们表明，充分降低的置信水平下，由此产生的MPC计划使闭环系统的均方稳定的真实，但未知的分布，同时保持保守性比一个完全强大的方法。
2020-10-01 cs.SY eess.SY math.OC
Robust MPC for Linear Systems with Parametric and Additive Uncertainty: A Novel Constraint Tightening Approach
针对约束不确定线性系统，提出了一种鲁棒模型预测控制器的设计方法。将不确定系统建模为具有附加干扰的线性参数变化系统。假设系统矩阵和附加不确定性的界是已知的。我们制定了一个新的基于优化的约束收紧策略，利用这些边界周围的预测标称轨迹。通过适当地设计终端代价函数和约束集，证明了所得到的MPC在闭环系统中对所施加的约束的鲁棒满足，以及原点的输入到状态稳定性。我们强调我们提出的方法的有效性，通过一个数值例子。
2022-08-10 cs.SY eess.SY
Distributionally Robust Model Predictive Control with Mixture of Gaussian Processes
本文提出MoGP-DR-MPC框架，利用高斯过程混合自动建模多模态扰动并构建数据驱动模糊集，通过DR-CVaR约束的锥重构实现分布鲁棒控制，在四旋翼仿真中闭环成本较GP-MPC降低17%和4%。
2025-02-08 cs.SY eess.SY math.OC
Computationally efficient robust MPC using optimized constraint tightening
针对受有界附加扰动影响的线性定常系统，提出了一种鲁棒模型预测控制（MPC）方法。的主要贡献是离线设计的干扰仿射反馈增益，由此产生的约束收紧最小化。这是通过将约束收紧问题公式化为以反馈项为变量的凸优化问题来实现的。所得到的MPC控制器具有名义MPC的计算复杂度，并保证递归的可行性，稳定性和约束满足。所提出的方法相比，现有的强大的MPC方法的优点是使用数值例子证明。
2022-11-15 cs.SY eess.SY math.OC
Tube-based Distributionally Robust Model Predictive Control for Nonlinear Process Systems via Linearization
模型预测控制（MPC）是一种有效的控制多变量动态系统的约束。然而，大多数真实的动态模型受到工厂模型失配和过程不确定性的影响，这可能导致闭环性能恶化和约束违反。已经提出了诸如随机MPC（SMPC）的方法来缓解这些问题;然而，如果实际系统偏离在控制器设计期间做出的假设干扰分布，则所得到的闭环状态轨迹仍然可能显著违反规定的约束。在这项工作中，我们提出了一种新的数据驱动的分布鲁棒预测控制方案的非线性系统。不同于SMPC，这需要确切的知识的干扰分布，我们的计划决定的控制行动相对于最坏的分布从分布模糊集。该模糊集被定义为以经验分布为中心的Wasserstein球。由于潜在的模型误差，导致偏移，该计划还扩展了利用无偏移的方法。通过非线性质量弹簧系统和非线性CSTR反应器的实例研究，验证了该控制方案的有效性。
2022-11-26 cs.SY eess.SY math.OC
Beyond Ellipsoids: Semi-Algebraic Tightening for Chance Constraints Under Actuator Saturation
Univ. Grenoble Alpes（格勒诺布尔阿尔卑斯大学）；Grenoble INP（格勒诺布尔理工学院）；CNRS（法国国家科学研究中心）
针对有饱和输入和无界干扰的机会约束系统，提出半代数方法收紧约束，利用饱和误差动态的分段仿射结构，通过平方和优化设计李雅普诺夫函数，优化集合几何，数值例展示了设计有效性。
2026-09-29 cs.SY eess.SY math.OC
Data-driven distributionally robust iterative risk-constrained model predictive control
本文考虑了一个风险约束的无限期最优控制问题，并提出了一种迭代求解的方法。算法的每次迭代通过实施分布式鲁棒风险约束模型预测控制（MPC）方案来生成从起始点到目标平衡态的轨迹。在每次迭代中，一组安全状态（以高概率满足风险约束）和一定数量的独立和相同分布的样本的不确定性管理的风险约束是可用的。这些状态和样本在先前的迭代中累积。安全状态被用作MPC方案中的终端约束，并且样本被用于构造一组分布，称为模糊集，使得它包含具有高概率的不确定性的潜在分布。每次迭代中的风险约束要求对模糊度集中的所有分布都成立。我们建立我们的迭代过程中产生的轨迹是可行的，安全的，并渐近收敛到平衡。仿真例子说明了我们的结果的情况下，找到一个风险约束路径的移动机器人在存在不确定的障碍。
2021-11-25 cs.SY eess.SY math.OC
Integrating Predictive Motion Uncertainties with Distributionally Robust Risk-Aware Control for Safe Robot Navigation in Crowds
University of California, Berkeley（加州大学伯克利分校）
针对人群中机器人安全导航时人类运动预测不确定性难融入控制的问题，提出分布鲁棒机会约束MPC方法，用分布鲁棒条件风险价值近似实现实时计算，经真实行人数据验证可高效安全导航。
2024-03-08 cs.RO cs.SY eess.SY
Distributionally Robust Model Predictive Control: Closed-loop Guarantees and Scalable Algorithms
本文针对线性系统、凸约束和二次代价的分布鲁棒模型预测控制（DRMPC），建立了闭环性能保证并提出了超线性收敛的Newton型可扩展优化算法，同时揭示了其相较于随机MPC的长期性能条件。
2024-11-12 cs.SY eess.SY math.OC
Iterative risk-constrained model predictive control: A data-driven distributionally robust approach
本文提出迭代分布鲁棒MPC方案求解带风险约束的无限时域最优控制问题，通过累积数据逐步优化轨迹代价与安全性，证明了递归可行性与收敛性，并给出可计算重构与仿真验证。
2023-08-22 cs.SY eess.SY math.OC
An Improved Constraint-Tightening Approach for Stochastic MPC
University of Stuttgart（斯图加特大学）；CNR-IEIIT, Politecnico di Torino（都灵理工大学意大利国家研究机构信息系统与信息技术研究所）
本文提出一种改进的随机MPC约束紧缩方法，通过分离稳定性与递归可行性，降低保守性并保证计算效率。
2014-09-29 cs.SY eess.SY math.OC
Stochastic Model Predictive Control with Dynamic Chance Constraints
针对受无界随机扰动的线性离散系统，提出通过概率可达管与约束紧缩求解两阶段随机优化的动态机会约束SMPC方案，保证递推可行性与闭环约束满足。
2023-07-25 cs.SY eess.SY math.OC
Collective Tube Model Predictive Control With Distribution-Free Joint Safety Certificates
Politecnico di Torino（都灵理工大学）
本文提出集体管模型预测控制（CT-MPC），通过校准预测误差轨迹管并离线构建确定性收紧，实现线性系统联合状态-输入安全与递归可行性，相比传统方法减少收紧并保持安全性。
2026-09-23 cs.SY eess.SY
Dynamic Constraint Tightening for Nonlinear MPC for Autonomous Racing via Contraction Analysis
Technical University of Munich（慕尼黑工业大学）
本文提出了一种基于收缩分析的非线性MPC框架，用于自动驾驶赛车在操控极限下的路径跟踪，通过优化CCM实现约束紧缩，提高计算效率并增强鲁棒性。
2026-02-04 cs.SY eess.SY
Safe, Learning-Based MPC for Highway Driving under Lane-Change Uncertainty: A Distributionally Robust Approach
我们提出了一个案例研究应用基于学习的分布式鲁棒模型预测控制的高速公路运动规划下的随机不确定性的车道变化行为的周围道路使用者。道路使用者的动态建模使用马尔可夫跳跃系统，其中的切换变量描述所需的车道的车辆正在考虑和连续状态描述的姿态和速度的车辆。我们假设底层马尔可夫链的切换概率是未知的。当观察到车辆时，从马尔可夫链中提取样本，估计转移概率以及模糊集，该模糊集解释了这些概率的错误估计。相应地，一个分布鲁棒最优控制问题被制定在一个场景树，并在滚动时域求解。结果，获得了运动规划过程，其通过对目标车辆的观察逐渐变得不那么保守，同时避免了从小样本大小获得的估计中的过度自信。我们提出了一个广泛的数值案例研究，比较几个不同的设计方面的控制器的性能和安全的影响。
2022-11-07 cs.SY eess.SY
Distributionally Robust Planning with $\mathcal{L}_1$ Adaptive Control
National Polytechnic University of Armenia（亚美尼亚国立理工大学）；University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；American University of Armenia（亚美尼亚美国大学）；University of Michigan（密歇根大学）
本文提出DRP-$\mathcal{L}_1$AC框架，结合分布鲁棒模型预测控制与$\mathcal{L}_1$自适应控制，通过在线分布证书保证安全性和鲁棒性，无需分布样本即可处理系统和环境不确定性。
2026-04-22 cs.SY eess.SY
Data-Driven Distributionally Robust System Level Synthesis
本文提出一种数据驱动的双重鲁棒状态反馈控制器，结合系统级综合与分布鲁棒优化，应对模型失配和扰动分布不确定性，并给出样本复杂度界限及数值验证。
2024-05-28 cs.SY eess.SY math.OC
Data-driven distributionally robust MPC for systems with uncertain dynamics
针对未知离散线性定常系统受未知和可能无界的附加不确定性影响的问题，提出了一种新的数据驱动分布鲁棒模型预测控制方法.我们使用离线收集的数据和动力学的近似模型，制定一个有限时间的最优化问题。为了考虑到与动态和干扰作用于系统的不确定性，我们诉诸于一个分布鲁棒的制定，优化成本预期，同时满足条件风险价值约束的最坏情况下的概率分布的不确定性内的模糊度定义使用Wasserstein度量。利用分布鲁棒优化文献的结果，我们得到了一个易于处理的有限维凸优化问题，有限样本保证类凸分段仿射成本和约束函数。一个简单的数值例子上的闭环仿真证明了所提出的算法的性能。
2022-09-19 cs.SY eess.SY math.OC
Robust constrained nonlinear Model Predictive Control with Gated Recurrent Unit model -- Extended version
本研究提出一种基于门控循环单元网络模型的鲁棒约束非线性模型预测控制方法，通过约束收紧策略保障约束鲁棒满足与递归可行性，引入新终端代价和终端集实现闭环系统的输入-状态稳定性。
2023-12-19 cs.SY eess.SY
An Efficient Resilient MPC Scheme via Constraint Tightening against Cyberattacks: Application to Vehicle Cruise Control
提出一种通过约束收紧的弹性MPC框架，应对周期性DoS攻击下的不确定线性系统，利用卡尔曼滤波检测攻击并离线计算不确定性界限，实现在线高效计算，并在ACC问题上验证有效性。
2023-10-12 cs.SY eess.SY math.OC
Inaccuracy matters: accounting for solution accuracy in event-triggered nonlinear model predictive control
我们考虑在事件触发控制方案中使用近似系统预测的效果。这种近似可能是由于使用数值转录方法来解决连续时间最优控制问题。网格细化可以保证微分方程的误差上界，该微分方程对系统动力学进行建模。在网格细化方案的准确性保证下，我们证明了所提出的事件触发方案（将测量系统与近似状态预测进行比较）可以在保证严格正的更新间隔时间的情况下使用。我们表明，如果我们有知识的转录计划或近似误差，那么我们可以获得更好的在线估计的更新时间。我们还详细介绍了一种方法，收紧约束的近似系统轨迹中使用的非线性规划问题，以保证连续时间系统的约束满足。这是第一个将预测准确性纳入触发指标的工作。使用解决方案的准确性，我们可以保证可靠的下限更新时间和执行解决方案相关的约束收紧。
2021-05-28 cs.SY eess.SY math.OC
Data-Driven Distributionally Robust Mitigation of Risk of Cascading Failures
提出一种数据驱动的分布鲁棒有限时域最优控制方法，通过求解DRMPC问题的凸公式，在输入时间延迟下有效缓解LTI系统的级联失效风险并维持性能。
2023-10-18 cs.SY eess.SY math.OC
Maximum Mean Discrepancy Distributionally Robust Nonlinear Chance-Constrained Optimization with Finite-Sample Guarantee
本文的动机是解决开放问题的分布鲁棒机会约束规划（DRCCP）使用流行的Wasserstein模糊集。具体来说，这些程序的计算技术通常对约束函数进行限制性假设，并且Wasserstein模糊集的大小通常使用昂贵的交叉验证（CV）程序或保守的测量浓度界限来设置。相比之下，我们提出了一个实用的DRCCP算法使用内核最大均值差异（MMD）的模糊集，我们的术语MMD-DRCCP，处理一般的非线性约束，而不使用ad-hoc重构技术。MMD-DRCCP可以处理一般的非线性和非凸约束，具有已证明的有限样本约束满足保证的维数无关的$\mathcal{O}(\frac{1}{\sqrt{N}})$率，可通过一个实用的算法实现。我们进一步提出了一个有效的引导计划，在实践中构建尖锐的MMD模糊集，而不诉诸CV。在投资组合最优化问题和非凸约束的基于管道的分布鲁棒模型预测控制问题上，对算法进行了数值验证。
2022-04-25 cs.SY eess.SY math.OC
Grid-Interactive Thermal Management of AI Data Centers via Contextual Distributionally Robust Optimization
针对AI数据中心突发工作负载和不确定热量生成导致的热违规问题，提出情境分布鲁棒优化（CDRO）框架，通过动态调整Wasserstein半径实现电网交互冷却控制，在极端负载下实现近零热违规，并将鲁棒性成本溢价降低约13.7个百分点。
2026-07-02 cs.SY eess.SY
Predictive control barrier functions: Enhanced safety mechanisms for learning-based control
虽然基于学习的控制技术通常优于经典控制器设计，但安全要求限制了许多应用中对此类方法的接受。最近的发展通过所谓的预测安全过滤器来解决这个问题，该过滤器评估拟议的基于学习的控制输入是否会导致违反约束，并在必要时对其进行修改，以确保未来所有时间步长的安全性。这种预测性安全滤波器的理论保证依赖于模型假设，微小的偏差可能导致滤波器故障，使系统处于危险之中。本文介绍了一种辅助软约束预测控制问题，总是可行的，在每个时间步长和渐近稳定的可行集的原始安全过滤器，从而提供了一个恢复机制，在安全关键的情况下。这是通过结合终端控制障碍函数的简单约束收紧来实现的。通过扩展离散时间控制障碍函数理论，我们建立了所提出的辅助问题提供了一个“预测”的控制障碍函数。所得到的算法证明使用数值例子。
2022-05-13 cs.SY eess.SY
Data-Driven Distributed Stochastic Model Predictive Control with Closed-Loop Chance Constraint Satisfaction
不确定系统的分布式模型预测控制方法通常具有相当大的保守性，并且由于使用了服从分布式设计和优化方法的鲁棒公式，因此只能容忍很小的不确定性。在这项工作中，我们提出了一个分布式随机模型预测控制（DSMPC）计划的动态耦合线性离散时间系统的无界附加干扰，潜在的时间相关。一个间接的反馈公式，确保递归的可行性的DSMPC问题，和数据驱动的，分布式的和无优化的约束收紧方法允许在闭环控制过程中的机会约束的精确满足，解决典型的保守性来源。所提出的控制器的计算复杂度是类似的名义分布式MPC。该方法被证明在模拟的温度控制的一个大型数据中心随机变化的计算负载。
2022-03-02 cs.SY eess.SY
Data-driven distributionally robust MPC for systems with multiplicative noise: A semi-infinite semi-definite programming approach
本文针对扰动与状态和控制变量相乘的受控系统，提出一种数据驱动的分布鲁棒模型预测控制算法，将最优控制问题转化为半无限半定规划并给出数值求解方法，通过算例验证其有效性。
2024-10-03 cs.SY eess.SY math.OC
Cautious Bayesian MPC: Regret Analysis and Bounds on the Number of Unsafe Learning Episodes
本文研究了结合模型预测控制（MPC）的概念和后验采样技术，并提出了一个简单的约束收紧技术，在探索性学习情节引入谨慎。所提供的理论分析方面的累积遗憾集中在先前所述的充分条件，从而产生的“谨慎贝叶斯MPC”算法，并显示Lipschitz连续性的情况下，线性MPC问题的未来奖励函数。在非线性MPC问题的情况下，它表明，非线性MPC优化技术通常所需的假设提供了足够的标准，基于模型的RL使用后验抽样。此外，它表明，建议的约束收紧意味着在线性和非线性的情况下，使用软约束MPC制定的不安全的学习情节的预期数量上的界限。数值例子说明了该方法的有效性。
2022-09-21 cs.SY eess.SY
Learning-based distributionally robust motion control with Gaussian processes
Seoul National University（首尔国立大学）
安全是基于学习的机器人和自主系统中的一个关键问题，因为有关其环境的学习信息通常不可靠且不准确。在本文中，我们提出了一个风险意识的运动控制工具，是强大的对错误的学习分布信息与未知动态的障碍物移动。我们的模型预测控制（MPC）方法的显着特点是它的能力，限制不安全的风险，即使当真正的分布偏离高斯过程（GP）回归估计的分布，在一个模糊集。不幸的是，分布鲁棒MPC问题与GP是棘手的，因为最坏情况下的风险约束涉及到一个无限维的模糊集的优化问题。为了消除无限维的问题，我们开发了一个系统的重构方法，利用现代分布鲁棒优化技术。我们的方法的性能和效用，通过使用非线性汽车自动驾驶模型的模拟证明。
2020-03-05 cs.RO cs.SY eess.SY
End-to-End Differentiable Predictive Control with Probabilistic Constraint-Satisfaction Guarantees for Building Demand Response
University College London（伦敦大学学院）
本文提出端到端可微预测控制框架，通过编码器仅Transformer建模复杂系统动态，并引入在线管约束紧缩方法，实现约束满足和可行性，验证于EnergyPlus仿真中，减少99%约束违规，仅小幅增加电费。
2026-08-26 cs.SY eess.SY
Distributionally Robust Trajectory Optimization Under Uncertain Dynamics via Relative Entropy Trust-Regions
Technische Universität Darmstadt（达姆施塔特工业大学）；Weierstrass Institute for Applied Analysis and Stochastics（魏尔斯特拉斯应用分析与随机研究所）
轨迹优化和模型预测控制是支撑从自主驾驶到全身人形控制的先进机器人应用的基本技术。最先进的算法集中在数据驱动的方法，在线推断系统动态，并在规划和控制过程中纳入后验不确定性。尽管取得了成功，但这些方法仍然容易受到统计学习偏差、未建模干扰甚至直接对抗性攻击造成的灾难性错误的影响。在本文中，我们解决了动力学不匹配的问题，并提出了一种在两个相对熵信赖域优化问题之间交替的分布鲁棒最优控制公式。我们的方法发现最坏情况下的最大熵高斯后验的动态参数和相应的鲁棒政策。此外，我们表明，我们的方法承认一个封闭的形式向后通过某一类系统。最后，我们证明了线性和非线性数值例子的鲁棒性。
2021-11-11 cs.RO cs.SY eess.SY
Recursively Feasible Stochastic Model Predictive Control using Indirect Feedback
Institute for Dynamic Systems and Control, ETH Zurich（苏黎世联邦理工学院动态系统与控制研究所）
本文提出了一种适用于线性离散时间系统且能处理可能无界和相关加性随机扰动序列的随机模型预测控制方法。通过概率可达集的概念，将机会约束类比于鲁棒MPC进行约束紧缩。引入一种初始化方法，保证递归可行性，从而可轻易证明闭环系统的机会约束满足。在加性扰动假设为独立同分布零均值的情况下，还提供了平均渐近性能界。两个示例展示了该方法，突显了新初始化方案的反馈特性以及在建筑控制设置中包含时变相关扰动。
2019-01-21 cs.SY eess.SY
Robust offset-free constrained Model Predictive Control with Long Short-Term Memory Networks -- Extended version
针对慢时变设定点、扰动及不可测状态下的约束控制问题，提出结合LSTM网络、扰动观测器与约束收紧NMPC的方案，保证递归可行性和渐近无静差跟踪。
2024-02-12 cs.SY eess.SY
Robust distributed model predictive control of linear systems: analysis and synthesis
针对离散线性系统受未知有界扰动的鲁棒性问题，提出了一种分布式模型预测控制（DMPC）的鲁棒DMPC设计方法.利用某些类的分布式系统的结构中看到的应用与交互耦合，如车辆排队，一种新的鲁棒DMPC制定。所提出的方法的特点是可分离的终端成本和本地强大的终端集，后者集自适应估计的在线优化问题。一个约束收紧方法的基础上的集员方法被用来保证约束满足耦合子系统中存在的干扰。在此公式下，闭环系统被证明是递归可行的和输入到状态稳定的。为了帮助部署建议的强大DMPC，一个可能的合成方法和设计条件，实际实施。最后，一个质量-弹簧-阻尼器系统的仿真结果证明了所提出的鲁棒DMPC。
2021-03-09 cs.SY eess.SY
Stochastic Model Predictive Control for Linear Systems using Probabilistic Reachable Sets
Institute for Dynamic Systems and Control, ETH Zürich（苏黎世联邦理工学院动态系统与控制研究所）
本文提出了一种用于受可能无限加性扰动影响的线性离散时间系统的随机模型预测控制（MPC）算法，通过概率可达集的概念来处理约束，基于单峰扰动分布假设，保证闭环机会约束的满足，并在不可行时采用回退到先前时间步的控制方案，同时给出了渐近平均性能界。
2018-09-20 cs.SY eess.SY
Reinforcement Learning based on Scenario-tree MPC for ASVs
在本文中，我们提出了使用基于鲁棒模型预测控制（RMPC）的强化学习（RL）的自主水面车辆（ASV）的控制。RL-MPC策略用于避障和目标（设定点）跟踪。针对船舶推进器可能出现的故障，提出了一种基于神经树的鲁棒预测控制算法。此外，风和海流被认为是未知的随机干扰在实际系统中，这是通过收紧约束处理。通过RL使用Q学习技术来调整紧固和其他成本参数。考虑了经济成本，最大限度地减少了实现船舶任务所需的时间和能量。该方法是在模拟上的一个非线性3自由度模型的比例版本的赛博飞船2。
2021-10-23 cs.SY eess.SY
Wasserstein Distributionally Robust Motion Control for Collision Avoidance Using Conditional Value-at-Risk
Seoul National University（首尔国立大学）；Automation and Systems Research Institute（自动化与系统研究院）
在不确定性的真实概率分布未知的情况下，本文提出了一种移动机器人规避随机运动障碍物的风险感知运动控制方案。我们提出了一种新的模型预测控制（MPC）的方法，限制不安全的风险，即使当障碍物的运动的真实分布偏离，在一个模糊集内，从经验分布获得使用有限数量的样本数据。通过选择的模糊集作为一个统计球，其半径测量的Wasserstein度量，我们实现了概率保证的样本外的风险，评估使用新的样本数据产生独立的训练数据。为了解决分布鲁棒MPC问题中固有的无穷维问题，我们将其重新表述为一个有限维的非线性规划，使用现代分布鲁棒优化技术的基础上的Kantorovich对偶原理。为了在仿射动力学和输出方程的情况下找到全局最优解，使用McCormick松弛设计了空间分支定界算法。所提出的方法的性能进行了演示和分析，通过仿真研究，使用非线性车一样的车辆模型和线性化的四旋翼模型。
2020-01-14 cs.RO cs.SY eess.SY
Distributionally Robust Predictive Runtime Verification under Spatio-Temporal Logic Specifications
Department of Computer Science, University of Southern California（计算机科学系，南加州大学）；Toyota NA R&D（丰田北美研发）
针对部署时分布偏移的CPS和MAS，提出基于鲁棒共形预测与STREL语义的RPRV算法，在无人机群模拟中验证可扩展性与统计有效性。
2025-07-07 cs.LO cs.RO cs.SY
Distributionally Robust CVaR-Based Safety Filtering for Motion Planning in Uncertain Environments
The University of Texas at Dallas（德克萨斯大学达拉斯分校）
本文针对不确定动态障碍物环境下的机器人运动规划安全问题，提出一种基于分布鲁棒优化计算安全半空间并结合类MPC安全滤波器的方案，以降低碰撞风险，并通过数值仿真验证其有效性与计算效率。
2023-09-16 cs.RO cs.SY eess.SY
A General Framework for Learning-Based Distributionally Robust MPC of Markov Jump Systems
针对切换概率未知的机会约束马尔可夫跳变系统，提出了一种学习模型预测控制（MPC）方案。利用马尔可夫链的样本，估计转移概率的模糊集，其中包括具有高概率的真实条件概率分布。这些集在线更新，并用于制定一个随时间变化的，规避风险的最优控制问题。我们证明了所得到的MPC计划的递归可行性，并表明，原来的机会约束仍然满足在每个时间步。此外，我们表明，充分降低的置信水平下，由此产生的MPC计划使闭环系统的均方稳定的真实，但未知的分布，同时保持保守性比一个完全强大的方法。最后，我们证明了学习MPC的值函数从上面收敛到其标称对应的样本量增长到无穷大。我们说明我们的方法上的一个数值例子。
2023-01-05 cs.SY eess.SY math.OC
Distributionally robust risk map for learning-based motion planning and control: A semidefinite programming approach
Seoul National University（首尔国立大学）；Automation and Systems Research Institute（自动化与系统研究所）
本文提出了一种新的安全规范工具，称为分布式鲁棒风险地图（DR风险地图），在学习环境中运行的移动机器人。给定机器人的位置，该地图旨在可靠地评估与障碍物碰撞的条件风险值（CVaR），障碍物的运动由高斯过程回归（GPR）推断。不幸的是，推断的分布是受误差，使得难以准确地评估碰撞的CVaR。为了克服这一挑战，该工具在所谓的模糊性集合中测量最坏情况分布下的风险，该模糊性集合表征了允许的分布误差。为了解决无限维问题固有的DR-风险图的建设，我们推导出一个易于处理的半定规划公式，提供了一个上限的风险，利用现代分布鲁棒优化技术。作为运动规划的一个具体应用，一个分布式鲁棒RRT* 算法被认为是使用的风险地图，解决由GPR造成的分布错误。此外，运动控制方法的设计使用DR风险图在基于学习的模型预测控制（MPC）制定。特别地，提出了风险图的神经网络近似，以减少求解MPC问题的计算成本。建议的风险地图的性能和实用性证明，通过模拟研究，显示其能力，以确保移动机器人的安全，尽管学习错误。
2021-05-03 cs.RO cs.SY eess.SY
